https://arxiv.org/abs/1905.11946
卷积神经网络（ConvNets）通常是在固定的资源预算下发展起来的，如果有更多的资源可用的话，则会扩大规模以获得更好的精度，更大的网络具有更大的宽度、深度或分辨率，往往可以获得更高的精度，但精度增益在达到80%后会迅速饱和，这表明了只对单一维度进行扩张的局限性.
模型扩张的各个维度之间并不是完全独立的，比如说，对于更大的分辨率图像，应该使用更深、更宽的网络，这就意味着需要平衡各个扩张维度，而不是在单一维度张扩张
如下图所示，直线上的每个点表示具有不同宽度系数（w）的模型。第一个基线网络（d=1.0，r=1.0）有18个卷积层，分辨率224x224，而最后一个基线（d=2.0，r=1.3）有36个卷积层，分辨率299x299。下图说明了一个问题，为了追求更好的精度和效率，在ConvNet缩放过程中平衡网络宽度、深度和分辨率的所有维度是至关重要的，这就是EfficientNet提出的复合扩张方法结合神经结构搜索技术所要解决的问题
复合扩张方法：
问题定义：单层卷积层定义为 Yi = Fi(Xi)，其中Xi为输入（形状为<H, W, C>），Yi为输出，Fi为卷积操作；多个卷积层表示为：
，由于网络常被设计为多个stage,每个stage的卷积类型相同，因此多个卷积层表示为：
， 表示一个stage操作，表示Fi操作了Li次
搜索约束：
1、模型缩放通常不改变网络架构Fi,而是该变 网络的深度 Li ,W，长度Ci ，分辨率Hi, Wi
2、所有层必须以恒定比率均匀缩放
w, d，r 是缩放网络的宽度，深度，分辨率的系数。是基础网络预定义的参数
解决方法
如下面公式，其中α、 β、γ是可以通过小网格搜索确定的常数；φ是用户指定的系数，用于控制可用于模型缩放的资源数量；α、β、γ分别指定如何将这些额外资源分配给网络宽度、深度和分辨率。其中 [公式] 在约束上会有平方，是因为如果增加宽度或分辨率两倍，其计算量是增加四倍，但是增加深度两倍，其计算量只会增加两倍。其中 约束的意义是对任意新的φ，FLOPS增加
EfficientNet 架构
0.找到基础网络 EfficientNet-B（类似MNasNet，因为搜索空间一样），使用NAS搜索，优化目标为 ACC(m)×[FLOPS(m)/T]^w, 其中w为超参数，调节ACC和FLOPS平衡（使用flops不适用延迟的原因的，不和任何硬件挂钩）
固定公式中的φ=1，基于上面2组公式通过网格搜索（grid search）得出最优的α、β、γ，得出最基本的模型EfficientNet-B0.
固定α、β、γ的值，使用不同的φ，基于上面公式，得到EfficientNet-B1, ..., EfficientNet-B7
φ的大小对应着消耗资源的大小，相当于：
当φ=1时，得出了一个最小的最优基础模型；
增大φ时，相当于对基模型三个维度同时扩展，模型变大，性能也会提升，资源消耗也变大。
